提示词工程相关文章：
OpenAI开发系列（八）：基于思维链(CoT)的进阶提示工程
提示词工程(Prompt engineering)-写好提示词激活大模型(LLM)基本策略
福利：关于协助生成提示词的应用--没有亲测过
7大提示词神器
资料分析
网上相关的资料非常多，我找了两个有代表性的文档，
第一个：偏方法论一些
第二个：偏技巧一些
我个人比较喜欢第一个文章，其给出的方法更底层一些，基于这些方法可以更变化出更多技巧，同时更容易进行结构化处理，方便内化吸收；
第二个文章：给了好多方法，也做了分类，但无法应用MECE法则进行结构化处理。
针对第一个文章中给出的提法方法，我有一个大体感觉：
通用大语言模型就像一个刚高校毕业步入职场的新人，其经过多年的学校学习与训练，已经具备一定的基本知识与能力；
但如何让新人在公司的具体岗位上快速成长，在工作中表现出色，只有两个方法：
1、数据：提供其岗位工作内容的历史数据，让其参考学习
2、方法：提供本公司本岗位的工作方法，让其掌握方法工具
通用大语言模型也是类似。
提示方法（结构化处理 -MECE）：
| 分类 | 提示方法 | 描述 | 案例 |
|---|---|---|---|
| 样本 (数据) | Zero-Shot | 无样本 | |
| Few-Shot & One-shot | 少量样本（类似问题和答题做为参考样本） | Q：“罗杰有五个网球，他又买了两盒网球，每盒有3个网球，请问他现在总共有多少个网球？” A：“现在罗杰总共有11个网球。” Q：“食堂总共有23个苹果，如果他们用掉20个苹果，然后又买了6个苹果，请问现在食堂总共有多少个苹果？” A：? | |
| 思考链 (CoT) (方法) | Zero-shot-CoT | 一种非常简单而有效的方式是：在提示词尾部追加一句“Let’s think step by step”，即可大幅提高模型推理能力。 中文语境：请一步步进行推理并得出结论 | 罗杰有五个网球，他又买了两盒网球，每盒有3个网球，请问他现在总共有多少个网球？请一步步进行推理并得出结论。 |
| Few-shot-CoT | Few-shot-CoT的不同之处只是在于需要在提示样本中不仅给出问题的答案、还同时需要给出问题推导的过程（即思维链），从而让模型学到思维链的推导过程，并将其应用到新的问题中。 | Q：“罗杰有五个网球，他又买了两盒网球，每盒有3个网球，请问他现在总共有多少个网球？” \ A：“罗杰起初有五个网球，又买了两盒网球，每盒3个，所以，他总共买了2×3=6个网球，将起始的数量和购买的数量相加，可以得到他现在总共的网球数量：5+6=11，所以罗杰现在总共有11个网球” \ Q：“食堂总共有23个苹果，如果他们用掉20个苹果，然后又买了6个苹果，请问现在食堂总共有多少个苹果？” \ A：？ | |
| Least-To-Most-CoT | 两个阶段进行: 第一个阶段是自上而下的分解问题（Decompose Question into subquestion）， 为了解决“__”这个问题，首先要解决的问题是__ 第二个阶段是自下而上的依次解决问题（Sequentially Solve Subquestion） 整个依次回答问题的过程，其实就可以看成是CoT的过程， 只不过LtM会要求模型根据每个不同的问题，单独生成解决问题的链路， 从而能够更加精准的解决复杂推理问题。 | 见第一个文章 |
补充：
对于一个大的复杂的问题，建议采用两阶段法：
两阶段推理的设想：
第一个阶段先进行问题的拆分并分段解答问题（Reasoning Extraction），
第二阶段再进行答案的汇总（Answer Extraction）
之前我使用AI编写论文时，基本就使用的这个方法。
先让AI针对论文题目给出了论文目标结构
然后针对每个章节进行单独询问，最新把答案汇总。
感想
目前的AI还基于处于强人工智能的初级阶段，即只会把人类已有的知识进行更好的组织，还无法进行真正的创新。
所以对于提出的问题，必须是人类已经有答案的。
对于要写的论文，核心观点或思想还是要我们自己提供的。
目前的AI还是处于助手的阶段，核心问题还是要我们自己来处理的，
根据二八定律，我们只需做20%的核心工作，其它均可交于AI完成！
